JP5806081B2 - レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム - Google Patents

レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム Download PDF

Info

Publication number
JP5806081B2
JP5806081B2 JP2011234724A JP2011234724A JP5806081B2 JP 5806081 B2 JP5806081 B2 JP 5806081B2 JP 2011234724 A JP2011234724 A JP 2011234724A JP 2011234724 A JP2011234724 A JP 2011234724A JP 5806081 B2 JP5806081 B2 JP 5806081B2
Authority
JP
Japan
Prior art keywords
recommendation
correlation
history information
calculated
content
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2011234724A
Other languages
English (en)
Other versions
JP2012216175A (ja
Inventor
祥 佐々木
祥 佐々木
柳原 広昌
広昌 柳原
由希子 土生
由希子 土生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KDDI Corp
Original Assignee
KDDI Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by KDDI Corp filed Critical KDDI Corp
Priority to JP2011234724A priority Critical patent/JP5806081B2/ja
Priority to CN 201210026266 priority patent/CN103077469A/zh
Priority to CN201210083737.5A priority patent/CN102737095B/zh
Priority to PCT/JP2012/002148 priority patent/WO2012132427A1/ja
Publication of JP2012216175A publication Critical patent/JP2012216175A/ja
Application granted granted Critical
Publication of JP5806081B2 publication Critical patent/JP5806081B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本発明は、バッチ処理とリアルタイム処理とを行い、両処理のレコメンド結果を統合して、最終的なレコメンド結果を出力するレコメンド装置、レコメンドシステム、レコメンド方法およびプログラムに関する。
近年、ユーザの履歴情報などを基にユーザの嗜好を推測し、ユーザの嗜好に適合すると推測されるコンテンツなどを自動的にレコメンドする「レコメンドサービス」が盛んに行われている。このようなレコメンドサービスにおいて利用されている代表的な技術が「協調フィルタリング」と呼ばれているものである。この協調フィルタリングは、購買履歴や閲覧履歴等のユーザの履歴情報を、各ユーザ間、あるいは各コンテンツ間で比較することで相関性を定義し、その相関性を元にユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する手法である。この協調フィルタリングについては、自動化や高速化等の改良技術が知られている(例えば、非特許文献1、非特許文献2、非特許文献3、非特許文献4参照。)。
P.Resnick, N.Iacovou, M.Suchak, P.Bergstrom, and J.Riedl. "GroupLens: Open Architecture for Collaborative Filtering of Netnews" In Conference on Computer Supported Cooperative Work, pp. 175−186 (1994) T.Hofmann and J.Puzicha, "Latent Class Models for Collaborative Filtering", 16th IJCAI (1999) 百田信, 伊東栄典,"ソーシャルブックマークに基づく情報発見,"DEWS 2008, I1−15, Mar.2008. Badrul Sarwar, George Karypis, Joseph Konstan, and John Reidl. 2001. Item−based collaborative filtering recommendation algorithms. In Proceedings of the 10th international conference on World ’Wide Web (WWW ‘01). ACM, New York, NY, USA, 285−295.
ここで、非特許文献1や非特許文献4に記載の技術では、推薦要求毎に履歴情報を解析してレコメンド結果を生成するため、常に、最新の履歴情報を利用したレコメンドが可能となるが、この技術では、履歴情報が膨大になると解析に必要な計算量が増大するため、リアルタイムでのレコメンドが困難となるという問題点があった。
非特許文献2に記載の技術では、事前に履歴情報を解析して相関性を定義するため、非特許文献1に記載の技術と比較して推薦要求時に解析する計算量が小さくなり、リアルタイムでのレコメンドの実現を容易にするが、この技術では、解析の時点での履歴情報のみを用いて相関性を定義するため、最新の履歴情報が利用されないという問題点があった。
非特許文献3に記載の技術では、履歴情報を解析する対象を予め選別し、代表ユーザと被推薦対象ユーザとの間でのみ相関性を定義するため、非特許文献1に記載の技術と比較して推薦要求時に解析する計算量が小さくなり、リアルタイムでのレコメンドの実現を容易にするが、非特許文献3に記載の技術では、利用する履歴情報を制限することとなり、レコメンドとしての精度を低下させるという問題点があった。
そこで、本発明は、上述の課題に鑑みてなされたものであり、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現するレコメンド装置、レコメンドシステム、レコメンド方法およびプログラムを提供することを目的とする。
本発明は、上記の課題を解決するために、以下の事項を提案している。なお、理解を容易にするために、本発明の実施形態に対応する符号を付して説明するが、これに限定されるものではない。
(1)本発明は、購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンド装置であって、前記履歴情報を事前に解析してレコメンドに必要な情報を生成するバッチ処理手段(例えば、図1のバッチ処理部1100に相当)と、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するリアルタイム処理手段(例えば、図1のリアルタイム処理部1200に相当)と、前記バッチ処理手段の出力または/および前記リアルタイム処理手段の出力を統合してレコメンド結果を出力するレコメンド結果出力手段(例えば、図1のレコメンド結果出力部1300に相当)と、を備えたことを特徴とするレコメンド装置を提案している。
この発明によれば、バッチ処理手段は、履歴情報を事前に解析してレコメンドに必要な情報を生成する。リアルタイム処理手段は、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成する。レコメンド結果出力手段は、バッチ処理手段の出力または/およびリアルタイム処理手段の出力を統合してレコメンド結果を出力する。したがって、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
(2)本発明は、(1)のレコメンド装置について、前記バッチ処理手段が、解析に必要な履歴情報を収集する第1の履歴情報収集手段(例えば、図2の履歴情報収集部1101に相当)と、該収集した履歴情報を解析して、相関性を定義する第1の相関性算出手段(例えば、図2の相関性算出部1102に相当)と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第1の推薦度算出手段(例えば、図2の推薦度算出部1103に相当)と、該算出した推薦度を記憶する記憶手段(例えば、図2の記憶部1104に相当)と、を備え、前記リアルタイム処理手段が、解析に必要な履歴情報をリアルタイムに収集する第2の履歴情報収集手段(例えば、図2の履歴情報収集部1201に相当)と、該収集した履歴情報を解析して、相関性を定義する第2の相関性算出手段(例えば、図2の相関性算出部1202に相当)と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第2の推薦度算出手段(例えば、図2の推薦度算出部1203に相当)と、を備え、前記レコメンド結果出力手段が、前記記憶されたコンテンツごとの推薦度と前記第2の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド装置を提案している。
この発明によれば、バッチ処理手段の第1の履歴情報収集手段は、解析に必要な履歴情報を収集する。第1の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第1の推薦度算出手段は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。記憶手段は、算出した推薦度を記憶する。リアルタイム処理手段の第2の履歴情報収集手段は、解析に必要な履歴情報をリアルタイムに収集する。第2の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第2の推薦度算出手段は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。レコメンド結果出力手段は、記憶されたコンテンツごとの推薦度と第2の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、バッチ処理において算出した相関性を用いた推薦度とリアルタイム処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
(3)本発明は、(1)のレコメンド装置について、前記バッチ処理手段が、解析に必要な履歴情報を収集する第1の履歴情報収集手段(例えば、図5の履歴情報収集部1101に相当)と、該収集した履歴情報を解析して、相関性を定義する第1の相関性算出手段(例えば、図5の相関性算出部1102に相当)と、該算出した相関性を記憶する記憶手段(例えば、図5の記憶部1115に相当)と、を備え、前記リアルタイム処理手段が、解析に必要な履歴情報をリアルタイムに収集する第2の履歴情報収集手段(例えば、図5の履歴情報収集部1201に相当)と、該収集した履歴情報を解析して、相関性を定義する第2の相関性算出手段(例えば、図5の相関性算出部1202に相当)と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第1の推薦度算出手段(例えば、図5の推薦度算出部1203に相当)と、前記記憶された相関性を取得する取得手段(例えば、図5の取得部1214に相当)と、該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第2の推薦度算出手段(例えば、図5の推薦度算出部1215に相当)と、を備え、前記レコメンド結果出力手段(例えば、図5のレコメンド結果出力部1310に相当)が、前記第1の推薦度算出手段により算出したコンテンツごとの推薦度と前記第2の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド装置を提案している。
この発明によれば、バッチ処理手段の第1の履歴情報収集手段は、解析に必要な履歴情報を収集する。第1の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。記憶手段は、算出した相関性を記憶する。リアルタイム処理手段の第2の履歴情報収集手段は、解析に必要な履歴情報をリアルタイムに収集する。第2の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第1の推薦度算出手段は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。取得手段は、記憶された相関性を取得する。第2の推薦度算出手段は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。レコメンド結果出力手段は、第1の推薦度算出手段により算出したコンテンツごとの推薦度と第2の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、リアルタイム処理手段が、バッチ処理で算出した相関性とリアルタイム処理で算出した相関性とから推薦度を算出し、これらの推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
(4)本発明は、(1)のレコメンド装置について、前記バッチ処理手段が、解析に必要な履歴情報を収集する第1の履歴情報収集手段(例えば、図8の履歴情報収集部1101に相当)と、該収集した履歴情報を解析して、相関性を定義する第1の相関性算出手段(例えば、図8の相関性算出部1102に相当)と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第1の推薦度算出手段(例えば、図8の推薦度算出部1103に相当)と、該定義した相関性および算出した推薦度を記憶する記憶手段(例えば、図8の記憶部1126に相当)と、を備え、前記リアルタイム処理手段が、解析に必要な履歴情報をリアルタイムに収集する第2の履歴情報収集手段(例えば、図8の履歴情報収集部1201に相当)と、前記定義した相関性および算出した推薦度を取得する取得手段(例えば、図8の取得部1227に相当)と、該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第2の推薦度算出手段(例えば、図8の推薦度算出部1226に相当)と、前記レコメンド結果出力手段(例えば、図8のレコメンド結果出力部1320に相当)が、前記第1の推薦度算出手段により算出したコンテンツごとの推薦度と前記第2の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド装置を提案している。
この発明によれば、バッチ処理手段の第1の履歴情報収集手段は、解析に必要な履歴情報を収集する。第1の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第1の推薦度算出手段は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。記憶手段は、定義した相関性および算出した推薦度を記憶する。リアルタイム処理手段の第2の履歴情報収集手段は、解析に必要な履歴情報をリアルタイムに収集する。取得手段は、定義した相関性および算出した推薦度を取得する。第2の推薦度算出手段は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。レコメンド結果出力手段は、第1の推薦度算出手段により算出したコンテンツごとの推薦度と第2の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、バッチ処理において算出した相関性を用いた推薦度と、リアルタイム処理がバッチ処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
(5)本発明は、バッチ処理装置とリアルタイム処理装置とレコメンド装置とからなり、購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンドシステムであって、前記バッチ処理装置(例えば、図10のバッチ処理装置400に相当)は、前記履歴情報を事前に解析してレコメンドに必要な情報を生成し、前記リアルタイム処理装置(例えば、図10のリアルタイム処理装置500に相当)は、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成し、前記レコメンド結果出力装置(例えば、図10のレコメンド結果出力装置600に相当)は、前記バッチ処理装置の出力または/および前記リアルタイム処理装置の出力を統合してレコメンド結果を出力することを特徴とするレコメンドシステムを提案している。
この発明によれば、バッチ処理装置は、履歴情報を事前に解析してレコメンドに必要な情報を生成し、リアルタイム処理装置は、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成し、レコメンド結果出力装置は、バッチ処理装置の出力または/およびリアルタイム処理装置の出力を統合してレコメンド結果を出力する。したがって、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
(6)本発明は、(5)のレコメンドシステムについて、前記バッチ処理装置が、解析に必要な履歴情報を収集する第1の履歴情報収集手段(例えば、図11の履歴情報収集部401に相当)と、該収集した履歴情報を解析して、相関性を定義する第1の相関性算出手段(例えば、図11の相関性算出部402に相当)と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第1の推薦度算出手段(例えば、図11の推薦度算出部403に相当)と、該算出した推薦度を記憶する記憶手段(例えば、図11の記憶部404に相当)と、を備え、前記リアルタイム処理装置が、解析に必要な履歴情報をリアルタイムに収集する第2の履歴情報収集手段(例えば、図11の履歴情報収集部501に相当)と、該収集した履歴情報を解析して、相関性を定義する第2の相関性算出手段(例えば、図11の相関性算出部502に相当)と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第2の推薦度算出手段(例えば、図11の推薦度算出部503に相当)と、を備え、前記レコメンド結果出力装置が、前記記憶されたコンテンツごとの推薦度と前記第2の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンドシステムを提案している。
この発明によれば、バッチ処理装置の第1の履歴情報収集手段は、解析に必要な履歴情報を収集する。第1の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第1の推薦度算出手段は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。記憶手段は、算出した推薦度を記憶する。リアルタイム処理装置の第2の履歴情報収集手段は、解析に必要な履歴情報をリアルタイムに収集する。第2の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第2の推薦度算出手段は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。レコメンド装置は、記憶されたコンテンツごとの推薦度と第2の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、バッチ処理において算出した相関性を用いた推薦度とリアルタイム処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
(7)本発明は、(5)のレコメンドシステムについて、前記バッチ処理装置が、解析に必要な履歴情報を収集する第1の履歴情報収集手段(例えば、図14の履歴情報収集部401に相当)と、該収集した履歴情報を解析して、相関性を定義する第1の相関性算出手段(例えば、図14の相関性算出部402に相当)と、該算出した相関性を記憶する記憶手段(例えば、図14の記憶部415に相当)と、を備え、前記リアルタイム処理装置が、解析に必要な履歴情報をリアルタイムに収集する第2の履歴情報収集手段(例えば、図14の履歴情報収集部501に相当)と、該収集した履歴情報を解析して、相関性を定義する第2の相関性算出手段(例えば、図14の相関性算出部502に相当)と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第1の推薦度算出手段(例えば、図14の推薦度算出部503に相当)と、前記記憶された相関性を取得する取得手段(例えば、図14の取得部514に相当)と、該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第2の推薦度算出手段(例えば、図14の推薦度算出部515に相当)と、を備え、前記レコメンド装置が、前記第1の推薦度算出手段により算出したコンテンツごとの推薦度と前記第2の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンドシステムを提案している。
この発明によれば、バッチ処理装置の第1の履歴情報収集手段は、解析に必要な履歴情報を収集する。第1の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。記憶手段は、算出した相関性を記憶する。リアルタイム処理装置の第2の履歴情報収集手段は、解析に必要な履歴情報をリアルタイムに収集する。第2の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第1の推薦度算出手段は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。取得手段は、記憶された相関性を取得する。第2の推薦度算出手段は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。レコメンド装置は、第1の推薦度算出手段により算出したコンテンツごとの推薦度と第2の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、リアルタイム処理手段が、バッチ処理で算出した相関性とリアルタイム処理で算出した相関性とから推薦度を算出し、これらの推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
(8)本発明は、(5)のレコメンドシステムについて、前記バッチ処理装置が、解析に必要な履歴情報を収集する第1の履歴情報収集手段(例えば、図17の履歴情報収集部401に相当)と、該収集した履歴情報を解析して、相関性を定義する第1の相関性算出手段(例えば、図17の相関性算出部402に相当)と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第1の推薦度算出手段(例えば、図17の推薦度算出部403に相当)と、該定義した相関性および算出した推薦度を記憶する記憶手段(例えば、図17の記憶部426に相当)と、を備え、前記リアルタイム処理装置が、解析に必要な履歴情報をリアルタイムに収集する第2の履歴情報収集手段(例えば、図17の履歴情報収集部501に相当)と、前記定義した相関性および算出した推薦度を取得する取得手段(例えば、図17の取得部527に相当)と、該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第2の推薦度算出手段(例えば、図17の推薦度算出部526に相当)と、前記レコメンド装置が、前記第1の推薦度算出手段により算出したコンテンツごとの推薦度と前記第2の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンドシステムを提案している。
この発明によれば、バッチ処理装置の第1の履歴情報収集手段は、解析に必要な履歴情報を収集する。第1の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第1の推薦度算出手段は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。記憶手段は、定義した相関性および算出した推薦度を記憶する。リアルタイム処理装置の第2の履歴情報収集手段は、解析に必要な履歴情報をリアルタイムに収集する。取得手段は、定義した相関性および算出した推薦度を取得する。第2の推薦度算出手段は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。レコメンド装置は、第1の推薦度算出手段により算出したコンテンツごとの推薦度と第2の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、バッチ処理において算出した相関性を用いた推薦度と、リアルタイム処理がバッチ処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
(9)本発明は、購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンド方法であって、前記履歴情報を事前に解析してレコメンドに必要な情報を生成するバッチ処理ステップと、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するリアルタイム処理ステップと、前記バッチ処理ステップの出力または/および前記リアルタイム処理ステップの出力を統合してレコメンド結果を出力するレコメンド結果出力ステップと、を備えたことを特徴とするレコメンド方法を提案している。
この発明によれば、履歴情報を事前に解析してレコメンドに必要な情報を生成し、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成し、バッチ処理ステップの出力または/およびリアルタイム処理ステップの出力を統合してレコメンド結果を出力する。したがって、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
(10)本発明は、(9)のレコメンド方法について、前記バッチ処理ステップが、解析に必要な履歴情報を収集する第1のステップ(例えば、図3のステップS101に相当)と、該収集した履歴情報を解析して、相関性を定義する第2のステップ(例えば、図3のステップS102に相当)と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第3のステップ(例えば、図3のステップS103に相当)と、該算出した推薦度を記憶する第4のステップ(例えば、図3のステップS104に相当)と、を備え、前記リアルタイム処理ステップが、解析に必要な履歴情報をリアルタイムに収集する第5のステップ(例えば、図3のステップS105に相当)と、該収集した履歴情報を解析して、相関性を定義する第6のステップ(例えば、図3のステップS106に相当)と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第7のステップ(例えば、図3のステップS107に相当)と、を備え、前記レコメンド結果出力ステップが、前記第4のステップにおいて記憶されたコンテンツごとの推薦度と前記第7のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド方法を提案している。
この発明によれば、解析に必要な履歴情報を収集し、収集した履歴情報を解析して、相関性を定義する。次に、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出し、算出した推薦度を記憶する。さらに、解析に必要な履歴情報をリアルタイムに収集し、収集した履歴情報を解析して、相関性を定義する。次に、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。そして、第4のステップにおいて記憶されたコンテンツごとの推薦度と第7のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、バッチ処理において算出した相関性を用いた推薦度とリアルタイム処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
(11)本発明は、(9)のレコメンド方法について、前記バッチ処理ステップが、解析に必要な履歴情報を収集する第1のステップ(例えば、図6のステップS201に相当)と、該収集した履歴情報を解析して、相関性を定義する第2のステップ(例えば、図6のステップS202に相当)と、該算出した相関性を記憶する第3のステップ(例えば、図6のステップS203に相当)と、を備え、前記リアルタイム処理ステップが、解析に必要な履歴情報をリアルタイムに収集する第4のステップ(例えば、図6のステップS204に相当)と、該収集した履歴情報を解析して、相関性を定義する第5のステップ(例えば、図6のステップS205に相当)と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第6のステップ(例えば、図6のステップS206に相当)と、前記記憶された相関性を取得する第7のステップ(例えば、図6のステップS207に相当)と、該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第8のステップ(例えば、図6のステップS208に相当)と、を備え、前記レコメンド結果出力ステップが、前記第6のステップにより算出したコンテンツごとの推薦度と前記第8のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド方法を提案している。
この発明によれば、解析に必要な履歴情報を収集し、収集した履歴情報を解析して、相関性を定義して、算出した相関性を記憶する。さらに、解析に必要な履歴情報をリアルタイムに収集し、収集した履歴情報を解析して、相関性を定義して、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。次に、記憶された相関性を取得し、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。そして、第6のステップにより算出したコンテンツごとの推薦度と第8のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、リアルタイム処理手段が、バッチ処理で算出した相関性とリアルタイム処理で算出した相関性とから推薦度を算出し、これらの推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
(12)本発明は、(9)のレコメンド方法について、前記バッチ処理ステップが、解析に必要な履歴情報を収集する第1のステップ(例えば、図9のステップS301に相当)と、該収集した履歴情報を解析して、相関性を定義する第2のステップ(例えば、図9のステップS302に相当)と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第3のステップ(例えば、図9のステップS303に相当)と、該定義した相関性および算出した推薦度を記憶する第4のステップ(例えば、図9のステップS304に相当)と、を備え、前記リアルタイム処理ステップが、解析に必要な履歴情報をリアルタイムに収集する第5のステップ(例えば、図9のステップS305に相当)と、前記定義した相関性および算出した推薦度を取得する第6のステップ(例えば、図9のステップS306に相当)と、該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第7のステップ(例えば、図9のステップS307に相当)と、前記レコメンド結果出力手段が、前記第3のステップにより算出したコンテンツごとの推薦度と前記第7のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド方法を提案している。
この発明によれば、解析に必要な履歴情報を収集し、収集した履歴情報を解析して、相関性を定義して、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出して、定義した相関性および算出した推薦度を記憶する。さらに、解析に必要な履歴情報をリアルタイムに収集し、定義した相関性および算出した推薦度を取得して、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。そして、第3のステップにより算出したコンテンツごとの推薦度と第7のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、バッチ処理において算出した相関性を用いた推薦度と、リアルタイム処理がバッチ処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
(13)本発明は、購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンド方法をコンピュータに実行させるためのプログラムであって、前記履歴情報を事前に解析してレコメンドに必要な情報を生成するバッチ処理ステップと、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するリアルタイム処理ステップと、前記バッチ処理ステップの出力または/および前記リアルタイム処理ステップの出力を統合してレコメンド結果を出力するレコメンド結果出力ステップと、をコンピュータに実行させるためのプログラムを提案している。
この発明によれば、履歴情報を事前に解析してレコメンドに必要な情報を生成し、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成し、バッチ処理ステップの出力または/およびリアルタイム処理ステップの出力を統合してレコメンド結果を出力する。したがって、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
(14)本発明は、バッチ処理装置とリアルタイム処理装置とレコメンド装置とからなり、購買履歴や閲覧履歴等のユーザの履歴情報を各ユーザ間で比較して相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンドシステムにおけるレコメンド方法をコンピュータに実行させるためのプログラムであって、前記バッチ処理装置が、前記履歴情報を事前に解析してレコメンドに必要な情報を生成する第1のステップと、前記リアルタイム処理装置が、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成する第2のステップと、前記レコメンド装置が、前記第1のステップの出力または/および前記第2のステップの出力を統合してレコメンド結果を出力する第3のステップと、をコンピュータに実行させるためのプログラムを提案している。
この発明によれば、バッチ処理装置が、履歴情報を事前に解析してレコメンドに必要な情報を生成し、リアルタイム処理装置が、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成する。そして、レコメンド装置が、第1のステップの出力または/および第2のステップの出力を統合してレコメンド結果を出力する。したがって、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
本発明によれば、バッチ処理部によってすべての履歴情報を利用したレコメンド結果を提供し、かつ、リアルタイム処理部によって要求発生時の最新の履歴情報を反映させたレコメンド結果を提供することが可能となるという効果がある。
本発明の第1の実施形態に係るレコメンド装置の構成を示す図である。 本発明の第1の実施形態に係るレコメンド装置の詳細な構成を示す図である。 本発明の第1の実施形態に係るレコメンド装置の処理を示す図である。 本発明の第2の実施形態に係るレコメンド装置の構成を示す図である。 本発明の第2の実施形態に係るレコメンド装置の詳細な構成を示す図である。 本発明の第2の実施形態に係るレコメンド装置の処理を示す図である。 本発明の第3の実施形態に係るレコメンド装置の構成を示す図である。 本発明の第3の実施形態に係るレコメンド装置の詳細な構成を示す図である。 本発明の第3の実施形態に係るレコメンド装置の処理を示す図である。 本発明の第4の実施形態に係るレコメンドシステムの構成を示す図である。 本発明の第4の実施形態に係るレコメンドシステムの詳細な構成を示す図である。 本発明の第4の実施形態に係るレコメンドシステムの処理を示す図である。 本発明の第5の実施形態に係るレコメンドシステムの構成を示す図である。 本発明の第5の実施形態に係るレコメンドシステムの詳細な構成を示す図である。 本発明の第5の実施形態に係るレコメンドシステムの処理を示す図である。 本発明の第6の実施形態に係るレコメンドシステムの構成を示す図である。 本発明の第6の実施形態に係るレコメンドシステムの詳細な構成を示す図である。 本発明の第6の実施形態に係るレコメンドシステムの処理を示す図である。 本発明の第1の実施形態の実施例1に係るレコメンド装置の構成を示す図である。 本発明の第1の実施形態の実施例1に係るレコメンド装置の構成を示す図である。 本発明の第1の実施形態の実施例1に係るレコメンド装置における推薦処理に利用するユーザの処理を模式的に示す図である。 本発明の第3の実施形態の実施例2に係るレコメンド装置の構成を示す図である。 本発明の第3の実施形態の実施例2に係るレコメンド装置の処理を示す図である。
以下、本発明の実施形態について、図面を用いて、詳細に説明する。
なお、本実施形態における構成要素は適宜、既存の構成要素等との置き換えが可能であり、また、他の既存の構成要素との組合せを含む様々なバリエーションが可能である。したがって、本実施形態の記載をもって、特許請求の範囲に記載された発明の内容を限定するものではない。
<第1の実施形態>
図1および図3を用いて、本発明の第1の実施形態について説明する。
<レコメンド装置の構成>
図1を用いて、本実施形態に係るレコメンド装置の構成について説明する。
本実施形態に係るレコメンド装置1000は、図1に示すように、バッチ処理部1100と、リアルタイム処理部1200と、レコメンド結果出力部1300とから構成され、バッチ処理部1100には、データベース200が、リアルタイム処理部1200には、データベース300が接続されている。
なお、データベース200には、例えば、ユーザ100人分のデータが格納されているが、データベース300には、リアルタイム処理を行うため、例えば、所定の規則で間引かれたユーザ10人分のデータが格納されている。本実施形態に係るレコメンド装置1000は、レコメンド処理をバッチ処理とリアルタイム処理に分けることにより、演算負荷を分散するとともに、バッチ処理部1100の結果とリアルタイム処理部1200の結果とをレコメンド結果出力部1300で統合して出力する。なお、統合の方法としては、2つの結果を加算してレコメンド結果を出力してもよいし、時間帯によって、バッチ処理あるいはリアルタイム処理のいずれか一方の結果をそのままレコメンド結果を出力してもよい。また、2つの結果の平均値や加重平均をレコメンド結果として出力してもよい。
<レコメンド装置の詳細な構成>
本実施形態に係るレコメンド装置は、図2に示すように、バッチ処理部1100を構成する履歴情報収集部1101と、相関性算出部1102と、推薦度算出部1103と、記憶部1104と、リアルタイム処理部1200を構成する履歴情報収集部1201と、相関性算出部1202と、推薦度算出部1203と、レコメンド結果出力部1300とから構成されている。
履歴情報収集部1101は、解析に必要な履歴情報をデータベース200から収集する。相関性算出部1102は、収集した履歴情報を解析して、相関性を定義する。推薦度算出部1103は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。記憶部1104は、算出した推薦度を記憶する。
履歴情報収集部1201は、解析に必要な履歴情報をデータベース300から収集する。相関性算出部1202は、収集した履歴情報を解析して、相関性を定義する。推薦度算出部1203は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。
レコメンド結果出力部1300は、記憶部1104に記憶されたコンテンツごとの推薦度と推薦度算出部1203により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。
<レコメンド装置の処理>
図3を用いて、本実施形態に係るレコメンド装置の処理について説明する。
まず、バッチ処理部1100の履歴情報収集部1101は、解析に必要な履歴情報をデータベース200から収集し(ステップS101)、相関性算出部1102は、収集した履歴情報を解析して、相関性を、例えば、二人のユーザの履歴を比較して同時に履歴を持つコンテンツ数を元に、または、二つのコンテンツの履歴を比較して同時に履歴を持つコンテンツ数を元に定義する(ステップS102)。推薦度算出部1103は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を、例えば、当該ユーザのコンテンツの履歴を持つ他のユーザとの相関性、または、当該ユーザの履歴に存在するコンテンツと他のコンテンツとの相関性を元に算出し(ステップS103)、記憶部1104は、算出した推薦度を記憶する(ステップS104)。
リアルタイム処理部1200の履歴情報収集部1201は、解析に必要な履歴情報をデータベース300から収集し(ステップS105)、相関性算出部1202は、収集した履歴情報を解析して、相関性を、前述同様に定義する(ステップS106)。推薦度算出部1203は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を、前述同様に算出する(ステップS107)。
そして、レコメンド結果出力部1300は、記憶部1104に記憶されたコンテンツごとの推薦度と推薦度算出部1203により算出したコンテンツごとの推薦度とからレコメンド結果を出力する(ステップS108)。
以上、説明したように、本実施形態によれば、バッチ処理において算出した相関性を用いた推薦度とリアルタイム処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
<第2の実施形態>
図4から図6を用いて、本発明の第2の実施形態について説明する。
<レコメンド装置の構成>
図4を用いて、本実施形態に係るレコメンド装置の構成について説明する。
本実施形態に係るレコメンド装置1000は、図4に示すように、バッチ処理部1110と、リアルタイム処理部1210と、レコメンド結果出力部1310とから構成され、バッチ処理部1110には、データベース200が、リアルタイム処理部1210には、データベース300が接続されている。
本実施形態に係るレコメンド装置1000は、レコメンド処理をバッチ処理とリアルタイム処理に分けることにより、演算負荷を分散するとともに、リアルタイム処理部1210からの2つの結果をレコメンド結果出力部1310で統合して出力する。なお、統合の方法としては、2つの結果を加算してレコメンド結果を出力してもよいし、時間帯によって、バッチ処理あるいはリアルタイム処理のいずれか一方の結果をそのままレコメンド結果を出力してもよい。また、2つの結果の平均値や加重平均をレコメンド結果として出力してもよい。
<レコメンド装置の詳細な構成>
本実施形態に係るレコメンド装置は、図5に示すように、バッチ処理部1110を構成する履歴情報収集部1101と、相関性算出部1102と、記憶部1115と、リアルタイム処理部1210を構成する履歴情報収集部1201と、相関性算出部1202と、推薦度算出部1203と、取得部1214と、推薦度算出部1215と、レコメンド結果出力部1310とから構成されている。なお、第1の実施形態と同様の符号を付す構成要素については、同様の機能を有することから、その詳細な説明は、省略する。
記憶部1115は、算出した相関性を記憶する。取得部1214は、記憶部1115に記憶された相関性を取得する。推薦度算出部1215は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。
レコメンド結果出力部1310は、推薦度算出部1203により算出したコンテンツごとの推薦度と推薦度算出部1215により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。
<レコメンド装置の処理>
図6を用いて、本実施形態に係るレコメンド装置の処理について説明する。
まず、バッチ処理部1110の履歴情報収集部1101は、解析に必要な履歴情報をデータベース200から収集し(ステップS201)、相関性算出部1102は、収集した履歴情報を解析して、相関性を定義し(ステップS202)、記憶部1115は、算出した相関性を記憶する(ステップS203)。
リアルタイム処理部1210の履歴情報収集部1201は、解析に必要な履歴情報をデータベース300から収集し(ステップS204)、相関性算出部1202は、収集した履歴情報を解析して、相関性を定義する(ステップS205)。推薦度算出部1203は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する(ステップS206)。また、取得部1214は、記憶部1115に記憶された相関性を取得し(ステップS207)、推薦度算出部1215は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する(ステップS208)。
そして、レコメンド結果出力部1310は、推薦度算出部1203により算出したコンテンツごとの推薦度と推薦度算出部1215により算出したコンテンツごとの推薦度とからレコメンド結果を出力する(ステップS209)。
以上、説明したように、本実施形態によれば、リアルタイム処理部が、バッチ処理で算出した相関性とリアルタイム処理で算出した相関性とから推薦度を算出し、これらの推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
<第3の実施形態>
図7および図9を用いて、本発明の第3の実施形態について説明する。
<レコメンド装置の構成>
図7を用いて、本実施形態に係るレコメンド装置の構成について説明する。
本実施形態に係るレコメンド装置1000は、図7に示すように、バッチ処理部1120と、リアルタイム処理部1220と、レコメンド結果出力部1320とから構成され、バッチ処理部1120には、データベース200が、リアルタイム処理部1220には、データベース300が接続されている。
本実施形態に係るレコメンド装置1000は、レコメンド処理をバッチ処理とリアルタイム処理に分けることにより、演算負荷を分散するとともに、バッチ処理部1120が結果をリアルタイム処理部1220に送信するとともに、バッチ処理部1120とリアルタイム処理部1220とからの2つの結果をレコメンド結果出力部1320で統合して出力する。なお、統合の方法としては、2つの結果を加算してレコメンド結果を出力してもよいし、時間帯によって、バッチ処理あるいはリアルタイム処理のいずれか一方の結果をそのままレコメンド結果を出力してもよい。また、2つの結果の平均値や加重平均をレコメンド結果として出力してもよい。
<レコメンド装置の詳細な構成>
本実施形態に係るレコメンド装置は、図8に示すように、バッチ処理部1120を構成する履歴情報収集部1101と、相関性算出部1102と、推薦度算出部1103と、記憶部1126と、リアルタイム処理部1220を構成する履歴情報収集部1201と、推薦度算出部1226と、取得部1227と、レコメンド結果出力部1320とから構成されている。なお、第1の実施形態と同様の符号を付す構成要素については、同様の機能を有することから、その詳細な説明は、省略する。
記憶部1126は、相関性算出部1102において定義した相関性および推薦度算出部1103において算出した推薦度を記憶する。取得部1227は、記憶部1126に記憶された相関性算出部1102において定義した相関性および推薦度算出部1103において算出した推薦度を取得する。推薦度算出部1226は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。
レコメンド結果出力部1320は、推薦度算出部1103により算出したコンテンツごとの推薦度と推薦度算出部1226により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。
<レコメンド装置の処理>
図9を用いて、本実施形態に係るレコメンド装置の処理について説明する。
まず、バッチ処理部1120の履歴情報収集部1101は、解析に必要な履歴情報をデータベース200から収集し(ステップS301)、相関性算出部1102は、収集した履歴情報を解析して、相関性を定義する(ステップS302)。推薦度算出部1103は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出し(ステップS303)、記憶部1126は、相関性算出部112において定義した相関性および推薦度算出部1103において算出した推薦度を記憶する(ステップS304)。
リアルタイム処理部1220の履歴情報収集部1201は、解析に必要な履歴情報をデータベース300から収集する(ステップS305)。取得部1227は、記憶部1126に記憶された相関性算出部1102において定義した相関性および推薦度算出部1103において算出した推薦度を取得し(ステップS306)、推薦度算出部1226は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する(ステップS307)。
そして、レコメンド結果出力部1320は、推薦度算出部1103により算出したコンテンツごとの推薦度と推薦度算出部1226により算出したコンテンツごとの推薦度とからレコメンド結果を出力する(ステップS308)。
以上、説明したように、本実施形態によれば、バッチ処理において算出した相関性を用いた推薦度とリアルタイム処理が、バッチ処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
<第4の実施形態>
図10から図12を用いて、本発明の第4の実施形態について説明する。
<レコメンドシステムの構成>
図10を用いて、本実施形態に係るレコメンドシステムの構成について説明する。
本実施形態に係るレコメンドシステムは、図10に示すように、バッチ処理装置400と、リアルタイム処理装置500と、レコメンド結果出力装置600とから構成され、バッチ処理装置400には、データベース200が、リアルタイム処理装置500には、データベース300が接続されている。
なお、本実施形態に係るレコメンドシステムは、レコメンド処理をバッチ処理とリアルタイム処理に分けることにより、演算負荷を分散するとともに、バッチ処理装置400の結果とリアルタイム処理装置500の結果とをレコメンド結果出力装置600で統合して出力する。なお、バッチ処理装置400としては、演算処理能力が高いクラウドサーバ、リアルタイム処理装置500としては、バッチ処理装置400同様に演算処理能力が高いクラウドサーバに加えて、比較的演算処理能力が低い携帯端末やSTB(Set Top Box)等での実施が例示できるが、これに限るものではない。
<レコメンドシステムの詳細な構成>
本実施形態に係るレコメンドシステムは、図11に示すように、バッチ処理装置400を構成する履歴情報収集部401と、相関性算出部402と、推薦度算出部403と、記憶部404と、リアルタイム処理装置500を構成する履歴情報収集部501と、相関性算出部502と、推薦度算出部503と、レコメンド結果出力装置600とから構成されている。
履歴情報収集部401は、解析に必要な履歴情報をデータベース200から収集する。相関性算出部402は、収集した履歴情報を解析して、相関性を定義する。推薦度算出部403は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。記憶部404は、算出した推薦度を記憶する。
履歴情報収集部501は、解析に必要な履歴情報をデータベース300から収集する。相関性算出部502は、収集した履歴情報を解析して、相関性を定義する。推薦度算出部503は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。
レコメンド結果出力装置600は、記憶部404に記憶されたコンテンツごとの推薦度と推薦度算出部503により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。
<レコメンドシステムの処理>
図12を用いて、本実施形態に係るレコメンドシステムの処理について説明する。
まず、バッチ処理装置400の履歴情報収集部401は、解析に必要な履歴情報をデータベース200から収集し(ステップS401)、相関性算出部402は、収集した履歴情報を解析して、相関性を定義する(ステップS402)。推薦度算出部403は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出し(ステップS403)、記憶部404は、算出した推薦度を記憶する(ステップS404)。
リアルタイム処理装置500の履歴情報収集部501は、解析に必要な履歴情報をデータベース300から収集し(ステップS405)、相関性算出部502は、収集した履歴情報を解析して、相関性を定義する(ステップS406)。推薦度算出部503は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する(ステップS407)。
そして、レコメンド結果出力装置600は、記憶部404に記憶されたコンテンツごとの推薦度と推薦度算出部503により算出したコンテンツごとの推薦度とからレコメンド結果を出力する(ステップS408)。
以上、説明したように、本実施形態によれば、バッチ処理装置において算出した相関性を用いた推薦度とリアルタイム処理装置において算出した相関性を用いた推薦度とからレコメンド装置がレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
<第5の実施形態>
図13から図15を用いて、本発明の第5の実施形態について説明する。
<レコメンドシステムの構成>
図13を用いて、本実施形態に係るレコメンドシステムの構成について説明する。
本実施形態に係るレコメンドシステムは、図13に示すように、バッチ処理装置410と、リアルタイム処理装置510と、レコメンド結果出力装置610とから構成され、バッチ処理装置410には、データベース200が、リアルタイム処理装置510には、データベース300が接続されている。
本実施形態に係るレコメンドシステムは、レコメンド処理をバッチ処理とリアルタイム処理に分けることにより、演算負荷を分散するとともに、リアルタイム処理装置410からの2つの結果をレコメンド結果出力装置610で統合して出力する。なお、バッチ処理装置410としては、演算処理能力が高いクラウドサーバ、リアルタイム処理装置510としては、バッチ処理装置410同様に演算処理能力が高いクラウドサーバに加えて、比較的演算処理能力が低い携帯端末やSTB(Set Top Box)等での実施が例示できるが、これに限るものではない。
<レコメンドシステムの詳細な構成>
本実施形態に係るレコメンドシステムは、図14に示すように、バッチ処理装置410を構成する履歴情報収集部401と、相関性算出部402と、記憶部415と、リアルタイム処理装置510を構成する履歴情報収集部501と、相関性算出部502と、推薦度算出部503と、取得部514と、推薦度算出部515と、レコメンド結果出力装置610とから構成されている。なお、第4の実施形態と同様の符号を付す構成要素については、同様の機能を有することから、その詳細な説明は、省略する。
記憶部415は、算出した相関性を記憶する。取得部514は、記憶部415に記憶された相関性を取得する。推薦度算出部515は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。
レコメンド結果出力装置610は、推薦度算出部503により算出したコンテンツごとの推薦度と推薦度算出部515により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。
<レコメンドシステムの処理>
図15を用いて、本実施形態に係るレコメンドシステムの処理について説明する。
まず、バッチ処理装置410の履歴情報収集部401は、解析に必要な履歴情報をデータベース200から収集し(ステップS501)、相関性算出部402は、収集した履歴情報を解析して、相関性を定義し(ステップS502)、記憶部415は、算出した相関性を記憶する(ステップS503)。
リアルタイム処理装置510の履歴情報収集部501は、解析に必要な履歴情報をデータベース300から収集し(ステップS504)、相関性算出部502は、収集した履歴情報を解析して、相関性を定義する(ステップS505)。推薦度算出部503は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する(ステップS506)。また、取得部514は、記憶部415に記憶された相関性を取得し(ステップS507)、推薦度算出部515は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する(ステップS508)。
そして、レコメンド結果出力装置610は、推薦度算出部503により算出したコンテンツごとの推薦度と推薦度算出部515により算出したコンテンツごとの推薦度とからレコメンド結果を出力する(ステップS509)。
以上、説明したように、本実施形態によれば、リアルタイム処理装置が、バッチ処理装置で算出した相関性とリアルタイム処理装置で算出した相関性とから推薦度を算出し、これらの推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
<第6の実施形態>
図16から図18を用いて、本発明の第6の実施形態について説明する。
<レコメンドシステムの構成>
図16を用いて、本実施形態に係るレコメンドシステムの構成について説明する。
本実施形態に係るレコメンドシステムは、図16に示すように、バッチ処理装置420と、リアルタイム処理装置520と、レコメンド結果出力装置620とから構成され、バッチ処理装置420には、データベース200が、リアルタイム処理装置520には、データベース300が接続されている。
本実施形態に係るレコメンドシステムは、レコメンド処理をバッチ処理とリアルタイム処理に分けることにより、演算負荷を分散するとともに、バッチ処理装置420が結果をリアルタイム処理装置520に送信するとともに、バッチ処理装置420とリアルタイム処理装置520とからの2つの結果をレコメンド結果出力装置620で統合して出力する。なお、バッチ処理装置420としては、演算処理能力が高いクラウドサーバ、リアルタイム処理装置520としては、バッチ処理装置420同様に演算処理能力が高いクラウドサーバに加えて、比較的演算処理能力が低い携帯端末やSTB(Set Top Box)等での実施が例示できるが、これに限るものではない。
<レコメンドシステムの詳細な構成>
本実施形態に係るレコメンドシステムは、図17に示すように、バッチ処理装置420を構成する履歴情報収集部401と、相関性算出部402と、推薦度算出部403と、記憶部426と、リアルタイム処理装置520を構成する履歴情報収集部501と、推薦度算出部526と、取得部527と、レコメンド結果出力装置620とから構成されている。なお、第4の実施形態と同様の符号を付す構成要素については、同様の機能を有することから、その詳細な説明は、省略する。
記憶部426は、相関性算出部402において定義した相関性および推薦度算出部403において算出した推薦度を記憶する。取得部527は、記憶部426に記憶された相関性算出部402において定義した相関性および推薦度算出部403において算出した推薦度を取得する。推薦度算出部526は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。
レコメンド結果出力装置620は、推薦度算出部403により算出したコンテンツごとの推薦度と推薦度算出部526により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。
<レコメンドシステムの処理>
図18を用いて、本実施形態に係るレコメンドシステムの処理について説明する。
まず、バッチ処理装置420の履歴情報収集部401は、解析に必要な履歴情報をデータベース200から収集し(ステップS601)、相関性算出部402は、収集した履歴情報を解析して、相関性を定義する(ステップS602)。推薦度算出部403は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出し(ステップS603)、記憶部426は、相関性算出部402において定義した相関性および推薦度算出部403において算出した推薦度を記憶する(ステップS604)。
リアルタイム処理装置520の履歴情報収集部501は、解析に必要な履歴情報をデータベース300から収集する(ステップS605)。取得部527は、記憶部426に記憶された相関性算出部402において定義した相関性および推薦度算出部403において算出した推薦度を取得し(ステップS606)、推薦度算出部526は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する(ステップS607)。
そして、レコメンド結果出力装置620は、推薦度算出部403により算出したコンテンツごとの推薦度と推薦度算出部526により算出したコンテンツごとの推薦度とからレコメンド結果を出力する(ステップS608)。
以上、説明したように、本実施形態によれば、バッチ処理装置において算出した相関性を用いた推薦度と、リアルタイム処理装置がバッチ処理装置において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
<実施例1>
図19から図21を用いて、実施例1について説明する。なお、本実施形態は、第1の実施形態に係るレコメンド装置をより具体的にするものである。
<レコメンド装置の構成>
本実施例に係るレコメンド装置は、図19に示すように、バッチ処理部1100と、リアルタイム処理部1200と、レコメンド結果出力部1300と、データベース1410と、縮約部1420と、データベース1430とから構成されている。
また、バッチ処理部1100は、履歴情報収集部1101と、相関性算出部1102と、推薦度算出部1103と、記憶部1104とから構成され、リアルタイム処理部1200は、履歴情報収集部1201と、相関性算出部1202と、推薦度算出部1203と、レコメンド結果出力部1300とから構成されている。なお、第1の実施形態と同一の符号を付す構成要素については、同様の機能を有することから、その詳細な説明は省略する。
ここで、データベース1410は、すべてのユーザの履歴情報等を格納するデータベースであり、縮約部1420は、データベース1410内のデータからレコメンドに適した最優良ユーザを抽出する。データベース1430は、縮約部1420が抽出した最優良ユーザの履歴情報等を格納する。
<レコメンド装置の処理>
図20を用いて、本実施例に係るレコメンド装置の処理について説明する。
まず、データベース1410(図中、「評価履歴T」と示す)内のデータに基づき、そのUtility値から優良ユーザを抽出する。これは、全履歴データから評価データを十分残しているユーザデータを抽出する処理である。一般に、実データには、ほとんど履歴を持っていないユーザが多数おり、そのようなユーザのデータを用いると計算量が無駄に大きくなり、また、精度の向上もさほどみこめないため、データのスクリーニングを行う。
次に、最優良ユーザをランダムにサンプリングする。これは、リアルタイム処理の処理時間に間に合う程度に、データ量を縮約する処理である。なお、このとき、データの偏りのないように間引くのが好ましく、「ユーザデータをN個にクラスタリング→代表ユーザN人を各クラスタから一人ずつ選出処理」等が考えられるが、今回はその処理の簡素化のため、その都度(バッチ処理が行われる都度)ランダムにN人を選択する。
バッチ処理では、相関性として優良ユーザと全ユーザ間でユーザ間類似度を算出し、ユーザ毎に推薦度を算出する。ここで、ユーザ間類似度とは、非特許文献1に示されているような、ユーザによるコンテンツの評価の共通性をユーザ間で比較してユーザ間での類似尺度を定義し、推薦を受けるユーザにおいての未登録コンテンツを評価するものとする。そして、これを中間T1(記憶部1140に相当)に格納する。推薦時には推薦対象ユーザのユーザIDをキーに、推薦度を中間T1から取得し、予測評価値を得る。
一方、リアルタイム処理では、最優良ユーザをランダムにサンプリングし、該当するユーザの履歴情報を中間T2(データベース(縮約)1430に相当)に予め格納しておく。リアルタイム処理のときには、中間T2から最優良ユーザの履歴情報を取得するとともに、一方で、推薦対象ユーザの履歴情報を取得する。次に、この取得した情報に基づいて、推薦対象ユーザと最優良ユーザとの類似度を算出し、予測評価値を算出する。そして、予測評価値を得る。
つまり、リアルタイム処理では、レコメンド処理が必要な際、その都度、処理が稼働する。そして、処理時に、最優良ユーザのデータを取得すると同時に、評価履歴Tから別途、推薦を受けるユーザの履歴を取得している。そのため、推薦を受けるユーザの履歴は最新のものを利用しリアルタイムなレコメンドを実現することができる。また、その都度、相関性を計算しているため、そのときに、似たユーザを探すことができ、バッチ処理直後に登録したばかりで、バッチ処理以前の履歴が不十分なユーザに対して、当日の履歴を即時反映することを可能としている。
図21は、推薦処理に利用するユーザとバッチ処理およびリアルタイム処理との関係を模式的に示している。この図によれば、評価履歴T内に格納された例えば、100万人の全ユーザのデータに基づき、そのUtility値から例えば、10000人の優良ユーザを抽出し、さらに、最優良ユーザをランダムにサンプリングすることにより、例えば、100人の最優良ユーザを抽出して、これを中間T2に格納する。
評価履歴Tの情報および優良ユーザの情報は、バッチ処理に用いられ、全ユーザと優良ユーザの情報に基づいて、相関性が算出される。一方、リアルタイム処理では、評価履歴Tから取得する推薦対象ユーザの履歴情報と、最優良ユーザの履歴情報に基づいて、相関性が算出される。
<実施例2>
図22および図23を用いて、実施例2について説明する。なお、本実施形態は、第3の実施形態に係るレコメンド装置をより具体的にするものである。
<レコメンド装置の構成>
本実施例に係るレコメンド装置は、図22に示すように、バッチ処理部1120と、リアルタイム処理部1220と、レコメンド結果出力部1320と、データベース1410ととから構成されている。
また、バッチ処理部1120は、履歴情報収集部1101と、相関性算出部1102と、推薦度算出部1103と、記憶部1126とから構成され、リアルタイム処理部1220は、履歴情報収集部1201と、推薦度算出部1226と、取得部1227と、レコメンド結果出力部1320とから構成されている。なお、第3の実施形態と同一の符号を付す構成要素については、同様の機能を有することから、その詳細な説明は省略する。
ここで、データベース1410は、すべてのユーザの履歴情報等を格納するデータベースである。
<レコメンド装置の処理>
図23を用いて、本実施例に係るレコメンド装置の処理について説明する。
まず、データベース1410(図中、「評価履歴T」と示す)内のデータに基づき、そのUtility値から優良ユーザを抽出する。これは、全履歴データから評価データを十分残しているユーザデータを抽出する処理である。一般に、実データには、ほとんど履歴を持っていないユーザが多数おり、そのようなユーザのデータを用いると計算量が無駄に大きくなり、また、精度の向上もさほどみこめないため、データのスクリーニングを行う。
バッチ処理では、相関性として優良ユーザの評価履歴を用いてコンテンツ間類似度を算出し、ユーザ毎に推薦度を算出する。そして、これを中間T1に格納する。ここで、コンテンツ間類似度とは、非特許文献4に示されているような、ユーザによるコンテンツの評価の共通性をコンテンツ間で比較してコンテンツ間での類似尺度を定義し、推薦を受けるユーザにおいての未登録コンテンツを評価するものとする。推薦時には推薦対象ユーザのユーザIDをキーに、推薦度を中間T1から取得し、予測評価値を得る。一方で、予測評価値の計算の途中で得られるコンテンツ間類似度データを中間T2に格納する。
一方、リアルタイム処理では、推薦対象ユーザの履歴情報を取得し、中間T2より履歴情報に含まれるコンテンツに関するコンテンツ間類似度を取得する。次に、この取得した情報に基づいて、予測評価値を得る。
つまり、リアルタイム処理では、バッチ処理時に算出した類似度の値を再利用する。また、推薦対象ユーザの履歴情報を取得する際には、「最新X件」の履歴情報のみ用いてもよい。具体的には、最新X件以前を空欄にしたユーザデータを作成し予測評価値の算出を実施する。これにより、より最新の履歴に基づく推薦を可能となる。
一方で、中間T2に含まれる相関性は、バッチ処理時のコンテンツ間類似度に基づいている。そのため、当日の履歴を反映できていないが、コンテンツ間類似度はユーザ間類似度よりも変化しにくいため、その推薦精度に大きな影響を与えにくい。
なお、レコメンド装置あるいはレコメンドシステムの処理をコンピュータ読み取り可能な記録媒体に記録し、この記録媒体に記録されたプログラムをレコメンド装置あるいはバッチ処理装置、リアルタイム処理装置、レコメンド結果出力装置に読み込ませ、実行することによって本発明のレコメンド装置あるいはレコメンドシステムを実現することができる。ここでいうコンピュータシステムとは、OSや周辺装置等のハードウェアを含む。
また、「コンピュータシステム」は、WWW(World Wide Web)システムを利用している場合であれば、ホームページ提供環境(あるいは表示環境)も含むものとする。また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されても良い。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク(通信網)や電話回線等の通信回線(通信線)のように情報を伝送する機能を有する媒体のことをいう。
また、上記プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組合せで実現できるもの、いわゆる差分ファイル(差分プログラム)であっても良い。
以上、この発明の実施形態につき、図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。例えば、本発明では、利用する履歴情報はデータベース等の記憶媒体で集約管理されており、履歴情報収集部を用いてこれらを取得することを想定しているが、必ずしもこれに限るものではない。
また、本発明によるレコメンド結果の提供方法は、当該ユーザに対する一つ一つのコンテンツの推薦度を記したリストを、外部のレコメンド提示手法へと提供することを想定しているが、必ずしもこの利用方法に限るものではない。
なお、本発明のレコメンドの各処理は、一サーバによる実施、又は、機能別に特化した複数サーバの連携、若しくは負荷分散機能を用いた複数サーバの連携による実施等の実施方法であってもよい。
1100;バッチ処理部
1110;バッチ処理部
1120;バッチ処理部
1101;履歴情報収集部
1102;相関性算出部
1103;推薦度算出部
1104;記憶部
1115;記憶部
1126;記憶部
1200;リアルタイム処理部
1210;リアルタイム処理部
1220;リアルタイム処理部
1201;履歴情報収集部
1202;相関性算出部
1203;推薦度算出部
1214;取得部
1215;推薦度算出部
1226;推薦度算出部
1237;取得部
1300;レコメンド結果出力部
1310;レコメンド結果出力部
1320;レコメンド結果出力部
1410;データベース
1420;縮約部
200;データベース
300;データベース
400;バッチ処理装置
410;バッチ処理装置
420;バッチ処理装置
401;履歴情報収集部
402;相関性算出部
403;推薦度算出部
404;記憶部
415;記憶部
426;記憶部
500;リアルタイム処理装置
510;リアルタイム処理装置
520;リアルタイム処理装置
501;履歴情報収集部
502;相関性算出部
503;推薦度算出部
514;取得部
515;推薦度算出部
526;推薦度算出部
527;取得部
600;レコメンド結果出力装置
610;レコメンド結果出力装置
620;レコメンド結果出力装置

Claims (6)

  1. 購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンド装置であって、
    前記履歴情報を事前に解析してレコメンドに必要な情報を生成するバッチ処理手段と、
    レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するリアルタイム処理手段と、
    前記バッチ処理手段の出力または/および前記リアルタイム処理手段の出力を統合してレコメンド結果を出力するレコメンド結果出力手段と、
    を備え、
    前記バッチ処理手段が、
    解析に必要な履歴情報を収集する第1の履歴情報収集手段と、
    該収集した履歴情報を解析して、相関性を定義する第1の相関性算出手段と、
    該算出した相関性を記憶する記憶手段と、
    を備え、
    前記リアルタイム処理手段が、
    解析に必要な履歴情報をリアルタイムに収集する第2の履歴情報収集手段と、
    該収集した履歴情報を解析して、相関性を定義する第2の相関性算出手段と、
    該算出された相関性と第2の履歴情報収集手段により収集された履歴情報とを用いて、ユーザに対する各コンテンツの推薦度を算出する第1の推薦度算出手段と、
    前記記憶された相関性を取得する取得手段と、
    該取得した相関性と第2の履歴情報収集手段により収集された履歴情報とを用いて、ユーザに対する各コンテンツの推薦度を算出する第2の推薦度算出手段と、
    を備え、
    前記レコメンド結果出力手段が、前記第1の推薦度算出手段により算出したコンテンツごとの推薦度と前記第2の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド装置。
  2. 購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンド装置であって、
    前記履歴情報を事前に解析してレコメンドに必要な情報を生成するバッチ処理手段と、
    レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するリアルタイム処理手段と、
    前記バッチ処理手段の出力または/および前記リアルタイム処理手段の出力を統合してレコメンド結果を出力するレコメンド結果出力手段と、
    を備え、
    前記バッチ処理手段が、
    解析に必要な履歴情報を収集する第1の履歴情報収集手段と、
    該収集した履歴情報を解析して、相関性を定義する第1の相関性算出手段と、
    該算出された相関性と第1の履歴情報収集手段により収集された履歴情報とを用いて、ユーザに対する各コンテンツの推薦度を算出する第1の推薦度算出手段と、
    該定義した相関性および算出した推薦度を記憶する記憶手段と、
    を備え、
    前記リアルタイム処理手段が、
    解析に必要な履歴情報をリアルタイムに収集する第2の履歴情報収集手段と、
    前記定義した相関性および算出した推薦度を取得する取得手段と、
    該取得した相関性と第2の履歴情報収集手段により収集された履歴情報とを用いて、ユーザに対する各コンテンツの推薦度を算出する第2の推薦度算出手段と、
    前記レコメンド結果出力手段が、前記第1の推薦度算出手段により算出したコンテンツごとの推薦度と前記第2の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド装置。
  3. バッチ処理装置とリアルタイム処理装置とレコメンド装置とからなり、購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンドシステムであって、
    前記バッチ処理装置は、前記履歴情報を事前に解析してレコメンドに必要な情報を生成するために、
    解析に必要な履歴情報を収集する第1の履歴情報収集手段と、
    該収集した履歴情報を解析して、相関性を定義する第1の相関性算出手段と、
    該算出した相関性を記憶する記憶手段と、
    を備え、
    前記リアルタイム処理装置は、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するために、
    解析に必要な履歴情報をリアルタイムに収集する第2の履歴情報収集手段と、
    該収集した履歴情報を解析して、相関性を定義する第2の相関性算出手段と、
    該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第1の推薦度算出手段と、
    前記記憶された相関性を取得する取得手段と、
    該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第2の推薦度算出手段と、
    を備え、
    前記レコメンド装置は、前記バッチ処理装置の出力または/および前記リアルタイム処理装置の出力を統合してレコメンド結果を出力するために、前記第1の推薦度算出手段により算出したコンテンツごとの推薦度と前記第2の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンドシステム。
  4. バッチ処理装置とリアルタイム処理装置とレコメンド装置とからなり、購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンドシステムであって、
    前記バッチ処理装置は、前記履歴情報を事前に解析してレコメンドに必要な情報を生成するために、
    前記バッチ処理装置は、前記履歴情報を事前に解析してレコメンドに必要な情報を生成するために、
    解析に必要な履歴情報を収集する第1の履歴情報収集手段と、
    該収集した履歴情報を解析して、相関性を定義する第1の算出手段と、
    該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第1の推薦度算出手段と、
    該定義した相関性および算出した推薦度を記憶する記憶手段と、
    を備え、
    前記リアルタイム処理装置は、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するために、
    解析に必要な履歴情報をリアルタイムに収集する第2の履歴情報収集手段と、
    前記定義した相関性および算出した推薦度を取得する取得手段と、
    該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第2の推薦度算出手段と、
    を備え、
    前記レコメンド装置は、前記バッチ処理装置の出力または/および前記リアルタイム処理装置の出力を統合してレコメンド結果を出力するために、前記第1の推薦度算出手段により算出したコンテンツごとの推薦度と前記第2の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンドシステム。
  5. 購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンド方法であって、
    前記履歴情報を事前に解析してレコメンドに必要な情報を生成するバッチ処理ステップと、
    レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するリアルタイム処理ステップと、
    前記バッチ処理ステップの出力または/および前記リアルタイム処理ステップの出力を統合してレコメンド結果を出力するレコメンド結果出力ステップと、
    を備え、
    前記バッチ処理ステップが、
    解析に必要な履歴情報を収集する第1のステップと、
    該収集した履歴情報を解析して、相関性を定義する第2のステップと、
    該算出した相関性を記憶する第3のステップと、
    を備え、
    前記リアルタイム処理ステップが、
    解析に必要な履歴情報をリアルタイムに収集する第4のステップと、
    該収集した履歴情報を解析して、相関性を定義する第5のステップと、
    該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第6のステップと、
    前記記憶された相関性を取得する第7のステップと、
    該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第8のステップと、
    を備え、
    前記レコメンド結果出力ステップが、前記第6のステップにより算出したコンテンツごとの推薦度と前記第8のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド方法。
  6. 購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンド方法であって、
    前記履歴情報を事前に解析してレコメンドに必要な情報を生成するバッチ処理ステップと、
    レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するリアルタイム処理ステップと、
    前記バッチ処理ステップの出力または/および前記リアルタイム処理ステップの出力を統合してレコメンド結果を出力するレコメンド結果出力ステップと、
    を備え、
    前記バッチ処理ステップが、
    解析に必要な履歴情報を収集する第1のステップと、
    該収集した履歴情報を解析して、相関性を定義する第2のステップと、
    該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第3のステップと、
    該定義した相関性および算出した推薦度を記憶する第4のステップと、
    を備え、
    前記リアルタイム処理ステップが、
    解析に必要な履歴情報をリアルタイムに収集する第5のステップと、
    前記定義した相関性および算出した推薦度を取得する第6のステップと、
    該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第7のステップと、
    前記レコメンド結果出力手段が、前記第3のステップにより算出したコンテンツごとの推薦度と前記第7のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド方法。
JP2011234724A 2011-03-29 2011-10-26 レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム Active JP5806081B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2011234724A JP5806081B2 (ja) 2011-03-29 2011-10-26 レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム
CN 201210026266 CN103077469A (zh) 2011-10-26 2012-02-07 推荐装置、推荐系统、推荐方法以及程序
CN201210083737.5A CN102737095B (zh) 2011-03-29 2012-03-27 推荐装置、推荐系统、推荐方法以及程序
PCT/JP2012/002148 WO2012132427A1 (ja) 2011-03-29 2012-03-28 レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2011071560 2011-03-29
JP2011071560 2011-03-29
JP2011234724A JP5806081B2 (ja) 2011-03-29 2011-10-26 レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム

Publications (2)

Publication Number Publication Date
JP2012216175A JP2012216175A (ja) 2012-11-08
JP5806081B2 true JP5806081B2 (ja) 2015-11-10

Family

ID=46930201

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2011234724A Active JP5806081B2 (ja) 2011-03-29 2011-10-26 レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム

Country Status (3)

Country Link
JP (1) JP5806081B2 (ja)
CN (1) CN102737095B (ja)
WO (1) WO2012132427A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123325B (zh) * 2013-04-28 2018-08-17 北京音之邦文化科技有限公司 多媒体文件的推荐方法和推荐服务器
JP6167029B2 (ja) * 2013-12-02 2017-07-19 株式会社Nttドコモ レコメンド情報生成装置およびレコメンド情報生成方法
CN114065044A (zh) * 2021-11-23 2022-02-18 聚好看科技股份有限公司 一种内容推荐优化方法及服务器

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005293384A (ja) * 2004-04-02 2005-10-20 Nippon Telegr & Teleph Corp <Ntt> コンテンツレコメンドシステムと方法、及びコンテンツレコメンドプログラム
CN101071424B (zh) * 2006-06-23 2010-08-25 腾讯科技(深圳)有限公司 一种个性化信息推送系统和方法
JP2008152394A (ja) * 2006-12-14 2008-07-03 Sbi Holdings Inc 情報提供システム、情報提供プログラム、及び情報提供方法
CN101436186B (zh) * 2007-11-12 2012-09-05 北京搜狗科技发展有限公司 一种提供相关搜索的方法及系统
CN101968802A (zh) * 2010-09-30 2011-02-09 百度在线网络技术(北京)有限公司 一种基于用户浏览行为进行互联网内容推荐的方法与设备

Also Published As

Publication number Publication date
CN102737095A (zh) 2012-10-17
WO2012132427A1 (ja) 2012-10-04
CN102737095B (zh) 2017-04-12
JP2012216175A (ja) 2012-11-08

Similar Documents

Publication Publication Date Title
JP5798022B2 (ja) レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム
Quercia et al. Friendsensing: recommending friends using mobile phones
KR101785219B1 (ko) 사물 인터넷 환경에서의 그룹 사용자를 위한 그룹 구성 정보 기반 서비스 추천 방법
JP5799808B2 (ja) 情報管理装置、そのデータ処理方法、およびコンピュータプログラム
US20110231408A1 (en) Privacy protection device, privacy protection method, and life log management system
Lian et al. Analyzing location predictability on location-based social networks
JP6052806B2 (ja) 携帯端末を所持したユーザの滞在目的を推定する装置、プログラム及び方法
Chen et al. Qos-aware web service recommendation via collaborative filtering
WO2015188885A1 (en) Method and system for determining a recommendation for content
JP2011227721A (ja) 関心抽出装置、関心抽出方法、及び関心抽出プログラム
JP5806081B2 (ja) レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム
CN104537080B (zh) 资讯推荐方法和系统
US20140179354A1 (en) Determining contact opportunities
CN105432038A (zh) 应用排名计算装置和使用信息收集装置
CN104994147A (zh) 软件下载的推荐方法、系统及所适用的服务端和用户设备
JP2013109425A (ja) コンテンツ推薦装置及び方法及びプログラム
JP6549643B2 (ja) 視聴率推定システム、方法およびコンピュータプログラム
JP5647575B2 (ja) レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム
US9069763B2 (en) Services management application integrating social media and automated infrastructure monitoring
JP5490908B2 (ja) 人口算出システム及び人口算出方法
Otebolaku et al. Supporting context-aware cloud-based media recommendations for smartphones
JP5528388B2 (ja) 情報推薦装置及び方法及びプログラム
US20160048702A1 (en) Information receiving device, information receiving method, and medium
Khan et al. A privacy preserving improvised approach for qos aware web service recommendation
Lee et al. Personalized TV contents recommender system using collaborative context tagging-based user’s preference prediction technique

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20140731

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20150609

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20150810

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20150901

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20150903

R150 Certificate of patent or registration of utility model

Ref document number: 5806081

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150